1、参考资料 https://blog.csdn.net/jbossjf/article/details/122650022?spm=1001.2014.3001.5501 2、需要用MVTec Deep Learning Tool - Early Adopter (system) 工具标注特征

深度学习 目标检测 算法大全列表 吐血总结 实用 涵盖主流算法

已标记好的火焰目标检测数据集，包含训练集和测试集。

烟雾检测数据集，用于野外起火的烟雾场景检测。 数据集已全部标注，标注格式为txt格式，包含训练集516张、验证机147张和测试集74张。

用yolov5的四个配置文件，s，l，x，m生成的onnx文件，并且在netron上使用这些文件得到详细的模型配置图，资源包含四个配置文件以及相应的四张图

一、 基于yolo的深度学习目标检测 1、 深度学习发展 简述深度学习的发展历程即可， 2、 目标检测简述 a) 介绍目标检测的发展历程 写出深度学习关键的时间节点即可，比如九几年开始，12年alexnet imagnet等等发展即可 b) Fasterrcnn介绍 算法介绍，该算法是经典算法，一般从该算法入手介绍，两阶段算法的经典网络 c) Ssd介绍 单阶段算法的经典网络，经常与fasterrcnn对比，前者识别率高，但是速度慢，后者速度快，但是识别率低一点。 d) Yolo介绍 比较注明的darknret网络，在速度和识别率做了很好的优化，是目前使用的比较经典的网络结构 3、 Yolo算法实现及其原理 4、 Yolo制作数据集和训练自己的数据步骤 该步骤和方法我会给您两个单独的文档，里面写着数据制作和训练的步骤 5、 算法实验结果 Yolo算法训练出的目标检测的结果，有实验不足，可以对比ssd和fasterrcnn的算法结果，以此来突出yolo算法的高识别率和快速识别 6、 本章小结 Yolo算法达到的实验结果

本人已实现自己输入图片和视频预测，有不懂的可以问我。

目标检测（Object Detection）是计算机视觉领域的基本任务之一，学术界已有将近二十年的研究历史。近些年随着深度学习技术的火热发展，目标检测算法也从基于手工特征的传统算法转向了基于深度神经网络的检测技术。从最初 2013 年提出的 R-CNN、OverFeat，到后面的 Fast/Faster R-CNN、SSD、YOLO 系列，再到 2018 年最近的 Pelee。短短不到五年时间，基于深度学习的目标检测技术，在网络结构上，从 two stage 到 one stage，从 bottom-up only 到 Top-Down，从 single scale network 到 feature pyramid network，从面向 PC 端到面向手机端，都涌现出许多好的算法技术，这些算法在开放目标检测数据集上的检测效果和性能都很出色

自己辛苦整理的原创yolov5+deepsort，纯C++实现。支持答疑，一直做有意义的事情； 多目标跟踪，用C++实现，部署到Nvidia上，tensorrt加速，最新的yolov5部署，支持s,m,l模型和int8,FP16等选择，而且拿来即用，自己再win10安装上驱动可以立即使用，不用在自己配置，支持答疑。自己辛苦整理的，求大佬打赏一顿饭钱。苦苦苦、平时比较比忙，自己后期会继续发布真实场景项目；欢迎下载。

YOLOV5的预训练模型，包括yolov5s、yolov5n、yolov5l、yolov5m、yolov5x